java - 查找，然后高效地用java中的相反内容替换

Question

我正在使用 Java 处理一个非常大的蛋白质 .txt 文件数据库。这些蛋白质具有通用结构，但不够统一，无法硬编码“从 startIndex 到 endIndex，反转并替换”。唯一真正的统一性是它们由 > 分隔，例如:

...WERINWETI>gi|230498 [牛白蛋白]ADFIJWOENAONFOAIDNFKLSADNFATHISDATFDAIFJ>sp|234235(人)AGP1 QWIQWONOQWNROIWQRNOQWIRNSWELLE>gi|... 等等。

正如你所看到的，虽然实际的蛋白质序列(所有大写的长链)是统一的，因为它们都是大写的链，但除此之外，前面的描述几乎可以是任何东西(有很多时候描述和序列之间没有空格)。我的程序需要做的是将原始文本复制到一个新文件中，然后在每个 > 之后添加一个 r- (例如 ... EERFDS>r-gi|23423...) 以及仅反转资本链。该过程完成后，我需要将其附加到原始文本的末尾。

我已经完成了r-功能，实际上我也完成了反转和追加，但是效率不够。接受这种处理的数据库非常庞大，而我的程序花费的时间太长。事实上我不知道需要多长时间，因为我从来没有让它完成。我等了1个小时就结束了。这是我使用正则表达式(内置 Pattern 类)(计算密集型部分)的反转算法:

Pattern regexSplit = Pattern.compile(">");
String[] splits = regexSplit.split(rDash.toString());
StringBuilder rDashEdited = new StringBuilder();
Pattern regexProtein = Pattern.compile("[A-Z]{5,}");

for (int splitIndex = 1; splitIndex < splits.length; splitIndex++) {
    Matcher rDashMatcher = regexProtein.matcher(splits[splitIndex]);
    rDashMatcher.find();
    StringBuffer reverser = new StringBuffer(rDashMatcher.group());
    rDashEdited.append(rDashMatcher.replaceAll(reverser.reverse().toString()) + ">");
}
System.out.println(">" + rDashEdited);

所以，基本上我拆分了 rDash (这是一个 StringBuilder，其中包含所有带有 >r- 的原始蛋白质，但尚未经过反转)到每个单独的蛋白质中并将它们添加到字符串数组中。然后，我遍历数组中的每个字符串，查找长度超过 5 个字母的大写字母链，将匹配项添加到 StringBuffer 中，反转它，并将正向版本替换为反向版本。请注意，此算法适用于较小的文本文件。

是否有更强大的正则表达式可以消除拆分/遍历数组的需要？当我尝试时，replaceAll() 调用将所有下游蛋白质替换为集合中第一个蛋白质的反向蛋白质。为了好玩，我用 System.out.println(rDashMatcher.groupCount()) 进行了检查，它为该组中的每个蛋白质打印了一个 0。谁能帮我提供更高效/更强大的正则表达式？这对我来说是一个相当新的概念，但它让我想起了 MATLAB 中的矢量化(仅使用字母)。

Answer 1

我为此扔了 10,000,000 条记录(大约 379MB 文本文件)，花了 1 分 06 分钟。(4core athlon，几年前)

大 if 树处理末端，因为分隔符位于元素的中间，因此您只能得到一半。

public void readProteins(BufferedReader br, BufferedWriter bw) throws IOException
{     
  Pattern regexSplit = Pattern.compile(">");
  Pattern proteinPattern = Pattern.compile("(.*?)([A-Z]{5,})");
  Matcher m;
  Scanner s = new Scanner(br);
  s.useDelimiter(regexSplit);         
  while (s.hasNext())
  {
      StringBuffer sb = new StringBuffer();
      String protein = s.next();
      m = proteinPattern.matcher(protein);            
      if (m.find())
          sb.append(m.group(2)).reverse().append(">r-").insert(0, m.group(1));
      else
          sb.append(protein);
      );          
  }
  bw.flush();
  bw.close();
}